CN111145475A - 基于振动光纤和深度学习的入侵报警系统、方法及介质 - Google Patents

Abstract

本发明提供了一种基于振动光纤和深度学习的入侵报警系统，包括：一级定位报警模块：对瑞利散射信号进行拉平、高通滤波、阈值设置和提取特征量，得到一级报警位置点；二级检测报警模块：根据一级报警位置点，获取视频流信息，根据深度学习YOLOV3模型融合背景差分法GMM完成入侵行为的检测，进行二级检测报警。本发明能快速得到可疑入侵信号的位置点，发生一级报警；可以准确快速地识别出是否为人为入侵，实现二级报警；成本低，准确率高。

Description

基于振动光纤和深度学习的入侵报警系统、方法及介质

技术领域

本发明涉及光纤传感技术领域，具体地，涉及一种基于振动光纤和深度学习的入侵报警系统、方法及介质。尤其地，涉及一种定位型振动光纤探测入侵事件的一级定位报警及基于深度学习YOLOV3框架的视频流中入侵事件的二级检测报警系统。

背景技术

光纤周界安防系统是新一代的周界监控系统，它通过监测和分析传导至光纤的振动信息，对入侵干扰信号进行判断和定位，在周界安防领域中，随着围栏型周界的广泛使用，远程可定位周界入侵监控系统的需求越来越大，它在军队周界、边境线、机场、监狱以及其他重要部门的周界安防中均大有可为。

针对围栏型周界入侵探测的需求，本研究开发了定位型振动光纤入侵探测系统，该系统是基于相位敏感的光时域技术实现的，即通过探测光脉冲的返回时间确定事件发生的位置，脉冲的宽度决定空间的精度，而返回的相干瑞利散射光的强度反映了振动的变化，其利用光纤作为传感器来探测外界扰动并通过信号处理判别是否入侵。

然而，定位型振动光纤入侵探测主机输出的是巨大的传感器阵列信号，数据量巨大，通过传统的信号处理技术，对阵列信号进行预处理操作，人工提取信号中相对明显的特征，并将其输入到传统模式识别模型中进行分类识别，该过程不仅花费较长的时间，无法满足实时监测的要求。

同时在自然环境中存在各种各样的干扰，如大风、大雨、冰雹等恶劣天气的影响，这些环境干扰使得光纤传感器产生类似于正常入侵干扰的信号，导致传统模式的识别率较低，造成严重的虚警误报现象。近年来，深度学习在自然图像分类、通用目标检测、语义分割等计算机视觉领域取得了突破性的成绩并逐渐应用于工程实践。将深度学习用于视频运动目标检测的方法，能够有效描述目标外观、结构、色彩等视觉特征，从而检测定位目标。因此，研究一种基于定位型振动光纤探测技术和YOLOV3深度学习视频检测技术相融合的入侵报警系统，实现入侵事件的一级定位报警和二级检测报警是十分必要的。

YOLO算法对所有可能的目标都给出属于某个类的概率以及预测框的左上角坐标和宽高，其中包括背景中形似人的虚警目标，当虚警目标和人相似程度较高时，其概率和真人比较接近，通过手动设置阈值的方式无法有效地排除所有虚警信息，当检测阈值设置较低时，会对一些形似目标的静止物体产生虚警误判，当阈值设置较高时，又可能出现漏检的情况。要达到阈值和准确率两者的平衡，势必要损失某一参数性能来提高另一个参数，并且过于依赖人为设定的参数。

介于以上原因，本算法将深度学习方法和传统视频运动目标检测方法相结合，利用深度学习方法对行人目标准确、全面的外观描述的同时，挖掘行人目标的运动信息，利用运动信息去除深度学习方法产生的虚警目标，以期提高行人检测准确率。选择的GMM算法是基于像素样本统计信息的背景表示方法，可以有效地检测出运动目标。

针对上述现有技术中的缺陷，本发明要解决的技术问题体现在以下几点：

1、预处理操作是一级定位报警算法中信号处理部分的重要环节，旨在大量的信号中滤除干扰信号，筛选出入侵信号，降低数据的运算量，提升入侵事件的运算效率，完成入侵信号的一级定位报警。

2、利用一级定位报警的输出找到可疑入侵点，触发附近的摄像头转向可疑位置点获取实时的视频流信息，利用深度学习YOLOV3模型融合GMM算法完成入侵行为的检测。利用此方法代替传统的模式识别方法，从而降低入侵事件的误报率，提升人为入侵行为的检测精度，实现入侵事件的二级检测报警。

3、结合一级定位报警和二级检测报警实现对围栏型周界入侵事件的探测，能满足人为入侵事件实时监测的需求。

专利文献CN107545684B(申请号：201710549618.7)公开了一种分布式光纤振动传感系统中的多点扰动事件报警方法，所述方法包括以下步骤：建立ψ-OTDR分布式光纤振动传感系统；信息处理单元通过OTDR技术将其接收到的第一计算值转换为空间域的位置分布，并为第一计算值超出设定阈值的位置点设定事件；判断是否有位置点的计算值超出设定阈值；当已经对某个事件进行连续判断20次后，该事件结束，得到该事件初始值的最终值，判断该事件初始值的最终值是否大于设定的报警阈值d，如果大于则对该事件进行报警，小于则不报警。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于振动光纤和深度学习的入侵报警系统、方法及介质。

根据本发明提供的基于振动光纤和深度学习的入侵报警系统，包括：

一级定位报警模块：对瑞利散射信号进行拉平、高通滤波、阈值设置和提取特征量，得到一级报警位置点；

二级检测报警模块：根据一级报警位置点，获取视频流信息，根据深度学习YOLOV3模型融合背景差分法GMM完成入侵行为的检测，进行二级检测报警。

优选地，所述一级定位报警模块包括：

模块A1：在振动光纤传感系统中接入光纤，得到瑞利散射信号；

模块A2：对瑞利散射信号进行归一化拉平处理；

模块A3：对归一化拉平后的瑞利散射信号进行高通滤波处理；

模块A4：对高通滤波处理后的瑞利散射信号进行阈值设置；

模块A5：提取特征量，根据预设阈值判断是否为入侵信号，并输出一级报警位置点。

优选地，所述二级检测报警模块包括：

模块B1：根据一级定位报警位置点，调用附近的摄像头，提取入侵点的视频流；

模块B2：搭建基于深度学习的YOLOV3框架；

模块B3：根据高斯混合模型的背景差分法对运动目标进行检测；

模块B4：进行融合检测，得到行人矩形框；

模块B5：根据行人矩形框判断行人是否存在入侵行为。

优选地，所述特征量包括能量和过阈值率。

优选地，所述模块B2包括：先配置运行环境，然后运行环境下搭建YOLOV3框架，进行模型的训练操作。

优选地，所述模块B4包括：根据YOLOV3框架对行人的检测边框和背景差分法对运动目标的检测边框是否存在重合区域，判断检测的是否为同一目标，若是同一目标则确定为行人矩形框。

优选地，所述模块B5包括：判断矩形框的底线即行人的脚部运动位置是否位于围栏区域，若不在底线区域，则判定不存在入侵行为；若在底线区域，则计算矩形框与围栏区域的面积交集比是否大于预设阈值，若大于预设阈值，则判定为入侵，并进行二级检测报警。

根据本发明提供的基于振动光纤和深度学习的入侵报警方法，采用基于振动光纤和深度学习的入侵报警系统，执行步骤包括：

步骤1：在振动光纤传感系统中接入光纤，得到瑞利散射信号；

步骤2：对瑞利散射信号进行归一化拉平处理；

步骤3：对归一化拉平后的瑞利散射信号进行高通滤波处理；

步骤4：对高通滤波处理后的瑞利散射信号进行阈值设置；

步骤5：提取特征量，根据预设阈值判断是否为入侵信号，并输出一级报警位置点；

步骤6：根据一级定位报警位置点，调用附近的摄像头，提取入侵点的视频流；

步骤7：搭建基于深度学习的YOLOV3框架；

步骤8：根据高斯混合模型的背景差分法对运动目标进行检测；

步骤9：进行融合检测，得到行人矩形框；

步骤10：根据行人矩形框判断行人是否存在入侵行为。

与现有技术相比，本发明具有如下的有益效果：

1、在分布式光纤定位系统中，通过对瑞利散射信号进行拉平、高通滤波、阈值参数自适应调整、提取能量、过阈值率等一系列操作，能快速得到可疑入侵信号的位置点，发生一级报警；

2、一级报警发生后，需要判断该入侵是否为虚报入侵，调用附近的摄像头获取入侵位置的视频流，通过YOLOV3目标检测框架和GMM算法以及入侵标准可以准确快速地识别出是否为人为入侵，实现二级报警；

3、仅通过振动光纤信号处理技术对入侵行为进行监测，误报率较高，准确率较低；而单独使用枪击摄像头对入侵行为进行监测时，成本较大，且需处理的数据量较大，落实到实际应用中较为困难；而该光纤报警系统的一级定位报警和二级检测报警的融合算法很好的解决了该问题，为后续进一步研究系统落实到实际应用中提供了基础。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为一级定位报警算法流程图；

图2为二级检测报警算法流程图；

图3为YOLOV3框架的Darknet-53结构图；

图4为行人检测的实例图；

图5为误检测的实例图；

图6为两种算法融合后检测实例图；

图7为两种标准下的最终报警实例图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

实施举例1：一级定位报警模块：

如图1所示，为一级定位报警算法流程图；

对归一化拉平后的信号进行高通滤波处理，降低低频干扰的影响。

其中，具体包括如下步骤：

利用软件自带的butter函数，直接设计ButterWorth二阶数字高通滤波器，得到该系统传递函数的多项式系数为[b₀,b₁,b₂,a₀,a₁,a₂]，将系数代入差分方程求得滤波后信号：

a₀y(m)＝b₀x(m)+b₁x(m-1)+b₂x(m-2)-a₁y(m-1)-a₂y(m-2)

其中，x(m)表示第m时刻滤波前的信号，y(m)表示第m时刻滤波后的信号，a₀＝1。利用该公式实现信号的滤波功能，经试验分析，确定截至频率为50Hz时为最佳。

提取短时能量和短时过阈值率；短时能量指持续时间T的平均能量，表达式为：

E_n＝Mean(∑y(n,m)²)

式中，E_n表示第n个位置点的短时能量，y(n,m)²表示第n个位置点第m时刻滤波后的信号。

短时能量的阈值表达式：E_th＝E₀

式中，E_th表示短时能量阈值，E₀表示设置的静态能量阈值。短时能量E_n满足如下条件：E_n≥E_th

作为可疑事件成立的必要条件之一。

接着，描述短时过阈值率的阈值判断过程。该过程与短时能量判断一致。短时过阈值率指持续时间T内幅度超过某幅度阈值An的次数，表达式为：

式中，F_n表示第n个位置点的短时过阈值率，diff表示微分运算，sgn代表符号函数，A_n表示设置的第n个位置点的幅度阈值。

短时过阈值率的阈值为：F_th＝F₀

式中F_th表示短时过阈值率的阈值，F₀表示设置的过阈值率阈值。短时过阈值率F_n满足如下条件：F_n≥F_th

作为可疑事件成立的必要条件之一。

实施举例2：二级检测报警模块：

如图2所示，为二级检测报警算法流程图；

搭建基于深度学习方法的YOLOV3框架；其中，具体包括如下步骤：

运行环境配置如下：

操作系统：Win10x64

处理器(CPU)：Intel(R)Core(TM)i7-8700 CPU@3.20GHz四核八线程

内存(RAM)：16.0GB

显卡(GPU)：NVIDIAGeForceGTX1050Ti

编程语言：python

编程环境：TensorFlow-gpu+Keras

YOLOV3利用整个深度卷积神经网络学习特征来检测和分类目标，特征提取层达到了53层深度，但由于引入了残差网络(ResidualNet)结构，使得精度提升比较明显的同时并不会影响训练难度和网络速度，搭建的YOLOV3框架Darknet-53结构如附图3所示：

在YOLOV3中，使用维数聚类获得先验边界框。物体存在的置信度使用逻辑回归策略预测。当某个先验边界框与真实边界框重叠，并且预测结果优于所有其他边界，则该框的值为1，否则为0。YOLOV3采用多个独立的logistic分类器代替softmax，适用于多标签分类，且准确度不会下降，在训练过程中使用二进制交叉熵损失(binary cross-entropyloss)进行分类预测。同时，该算法采取多尺度融合的方式进行预测，在3种不同尺度上进行3种边界框预测，其使用的特征提取模型在网络上通过特征金字塔网络(FPN)进行了更改。通过K-means聚类获取边界框的先验信息，得到9个不同大小的先验框，并将其均分到多个尺度的特征图上，因此YOLOV3的性能更优，将其应用到视频行人的检测复杂环境中，更能提高算法的整体精度。使用YOLOV3框架对行人的检测实例图如附图4所示，从图中可以看出，该框架对于复杂环境中对于行人检测标出的矩形框和预测值较为准确，但是仍会存在一定误检测，如附图5误检测实例图所示，会存在误检测成人的矩形框，这样的矩形框大大的降低了试验精度，所以仍需降低误检测率。

采用基于混合高斯模型的背景差算法(GMM)对运动目标进行检测，具体包括如下步骤：

对当前帧图像进行运动前景提取，得到的前景图记为I。＜w，Model＞表示一个权重为w的单高斯模型，假设对图像中坐标为(x,y)的点处混合高斯模型为Model＝{＜w_i,Model_i＞,i＝1,2,...,num}(num表示混合高斯模型所包含的单高斯模型的数目)，那么前景提取公式如下：

其中，I₀为当前输入原始图像，θ为前景提取阈值，可以为固定阈值，也可取为自适应的(如取所有权重中的次小值)。

这里使用OpenCV自带的BackgroundSubtractorMOG算法，实验中设置5个高斯分布混合对背景像素进行建模，阈值使用默认值，颜色在视频序列中存在的时间长短作为混合的权重，得到对应的二值图。使用OpenCV中的threshhold工具获取核大小，实验中设置为25，再使用dilate工具进行膨胀处理，迭代次数设置为2。

进行两种算法的融合检测。通过计算YOLOV3对行人的检测边框以和GMM算法对运动目标的检测边框是否存在重合区域，来判断两个检测算法是否属于同一检测目标，融合后的检测实例图如附图6所示。从图中可以清晰的看出，在图像中存在行人的地方清晰地检测出蓝色矩形框和黄色矩形框，两个框明显存在重合区域，证明该算法成功地检测出视频中的行人，并提出了其他误检测矩形框。

在判断行人是否存在入侵行为时，本算法制定了两个约束标准。第一：判断矩形框的底线即行人的脚部运动位置是否位于围栏区域，如果在底线区域，则可判断可能存在入侵行为，如若不在，则可判定不存在入侵行为；第二：当矩形框的底线位于围栏区域时，计算矩形框与围栏区域的面积交集比是否大于阈值K，如果大于K，则判定为入侵，并进行报警。两种标准下的最终报警实例图如附图7所示，左侧图像为原始图像，右侧图像为最终报警图像，白色填充的矩形框为行人入侵行为，发生二次检测报警。从图中可以看出，当人离围栏有一定距离时，会被矩形框框出，并不发生二次检测报警；当行人走进围栏区域，发生攀爬行为，与围栏有区域发生重合，则会立刻在视频流中被白色矩形框标出并发生二次报警。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (9)

1.一种基于振动光纤和深度学习的入侵报警系统，其特征在于，包括：

一级定位报警模块：对瑞利散射信号进行拉平、高通滤波、阈值设置和提取特征量，得到一级报警位置点；

二级检测报警模块：根据一级报警位置点，获取视频流信息，根据深度学习YOLOV3模型融合背景差分法GMM完成入侵行为的检测，进行二级检测报警。

2.根据权利要求1所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述一级定位报警模块包括：

模块A1：在振动光纤传感系统中接入光纤，得到瑞利散射信号；

模块A2：对瑞利散射信号进行归一化拉平处理；

模块A3：对归一化拉平后的瑞利散射信号进行高通滤波处理；

模块A4：对高通滤波处理后的瑞利散射信号进行阈值设置；

模块A5：提取特征量，根据预设阈值判断是否为入侵信号，并输出一级报警位置点。

3.根据权利要求1所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述二级检测报警模块包括：

模块B1：根据一级定位报警位置点，调用附近的摄像头，提取入侵点的视频流；

模块B2：搭建基于深度学习的YOLOV3框架；

模块B3：根据高斯混合模型的背景差分法对运动目标进行检测；

模块B4：进行融合检测，得到行人矩形框；

模块B5：根据行人矩形框判断行人是否存在入侵行为。

4.根据权利要求1所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述特征量包括能量和过阈值率。

5.根据权利要求3所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述模块B2包括：先配置运行环境，然后运行环境下搭建YOLOV3框架，进行模型的训练操作。

6.根据权利要求3所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述模块B4包括：根据YOLOV3框架对行人的检测边框和背景差分法对运动目标的检测边框是否存在重合区域，判断检测的是否为同一目标，若是同一目标则确定为行人矩形框。

7.根据权利要求3所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述模块B5包括：判断矩形框的底线即行人的脚部运动位置是否位于围栏区域，若不在底线区域，则判定不存在入侵行为；若在底线区域，则计算矩形框与围栏区域的面积交集比是否大于预设阈值，若大于预设阈值，则判定为入侵，并进行二级检测报警。

8.一种基于振动光纤和深度学习的入侵报警方法，其特征在于，采用权利要求1所述的基于振动光纤和深度学习的入侵报警系统，执行步骤包括：

步骤1：在振动光纤传感系统中接入光纤，得到瑞利散射信号；

步骤2：对瑞利散射信号进行归一化拉平处理；

步骤3：对归一化拉平后的瑞利散射信号进行高通滤波处理；

步骤4：对高通滤波处理后的瑞利散射信号进行阈值设置；

步骤5：提取特征量，根据预设阈值判断是否为入侵信号，并输出一级报警位置点；

步骤6：根据一级定位报警位置点，调用附近的摄像头，提取入侵点的视频流；

步骤7：搭建基于深度学习的YOLOV3框架；

步骤8：根据高斯混合模型的背景差分法对运动目标进行检测；

步骤9：进行融合检测，得到行人矩形框；

步骤10：根据行人矩形框判断行人是否存在入侵行为。

9.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求8所述的方法的步骤。

Images